“數據”這個詞，是產品經理永遠繞不過的話題，但從我多年面試經驗看，很多2-3歲的產品經理對數據的理解仍是模糊無章法的，鑒于本人也有著2年的數據產品經驗，特整理成文，給產品新人普及一下基本的數據知識。

1、基本概念

什么是“移動App的數據分析”？為什么要進行“移動App的數據分析”？

簡單來說，通過在App中進行埋點采集，或讀取App存儲在數據庫中的業務數據，以一定目的，將數據進行“篩選、清洗、加工、解析”，產出對產品設計、運營計劃有幫助的結論的過程，就是“數據分析”的過程。持續的數據分析可監控產品的運營狀態、提升推廣效果、發現產品問題、優化產品體驗。

2、基本術語

這里舉幾個我常遇到的術語，便于同開發和運營進行溝通。

埋點：一般意義上的埋點，是利用如友盟、Talkingdata等第三方公司的SDK，通過在App中嵌入一段SDK代碼，設定觸發條件，當滿足條件時，SDK會記錄日志，并將日志發送到第三方服務器進行解析，并可視化地呈現給我們。這一過程就叫埋點。

埋點方式也分“簡單埋點”和“自定義埋點”，所謂“簡單埋點”就是直接拿到第三方key，寫到App代碼的配置文件中即可。而“自定義埋點”則對應一種叫“自定義事件”的功能，一般第三方統計工具都支持，我們可通過設置“自定義事件”查看App特定的操作行為數據，如點擊按鈕次數、打開指定頁面次數等。

通常創建“自定義事件”都需要產品經理告知開發App的哪些條件下需要觸發“自定義事件”，以及觸發時要如何通過不同參數區分不同的點擊行為。

如同樣是點擊按鈕事件，可通過設置參數“Action”，來區分Action=Yes和Action=No這兩個按鈕分別點擊的次數。整個埋點流程如下圖所示：

維度：維度就是指我們平時看事物的角度，也可理解成分析一個數據能從哪些方面去分析，這些“角度”都是有值且可被枚舉的。比如我們注冊用戶數有10萬，那可分析的維度有：用戶所在省份、用戶性別、用戶角色、用戶來源等。不同維度來觀察數據，可以得出不同結論，能否拓展觀察維度，也是評估數據分析能力的一個關鍵。

度量：度量和維度相輔相成，是指可量化的數值，用于考察不同維度觀察的效果，也可理解成“數據指標”。觀察度量值可總體查看，如App總用戶數，也可配合“維度”分層查看，如不同省份的注冊用戶數、活躍用戶數，不同來源的App啟動次數、平均日使用時長等。

渠道：指App的不同安裝來源，如通過第三方應用市場安裝，通過廣告點擊安裝，通過地推二維碼掃碼安裝，通過官網下載安裝等?；ヂ摼W公司的商務工作一般就是拓展渠道，觀察不同渠道帶來的數據表現，不斷優化渠道質量。

3、基本指標

注：以下所說的指標，均以移動App常見的核心指標為主，不涉及業務相關指標。目的是希望產品經理在談起某個數據時，能統一認識。

新增用戶：安裝App后，首次啟動App的設備數，需要按“設備號”去重。新增用戶主要為了衡量推廣效果，以及當前產品在整個生命周期所處階段。

活躍用戶：時間段內，啟動過App的設備數，需要按“設備號”去重?；钴S用戶主要為了衡量運營效果，以及產品使用情況。

啟動次數：時間段內，啟動App的次數，無需去重。啟動次數主要為了衡量推送效果，以及App的內容是否足夠吸引人。

留存率：時間段內的新增用戶，經過一段時間仍啟動App的用戶，占原新增用戶的比例?！皶r間段”的劃分方式有：按日、按周、按月，對應指標還可細分為“日留存率、周留存率、月留存率”。而“經過一段時間”的劃分方式有：次日、7日、14日；次周、+2周；次月、+2月等。一般一款App的次日留存率為30-40%，次月留存率為20%，已經算是不錯的成績了。

使用時長：時間段內，從啟動到結束App使用的總時長。所謂“結束App”，通常指殺掉進程，或者將App退到后臺超過30秒。一般會按“人均使用時長、次均使用時長、單次使用時長”分析，衡量產品粘性和活躍情況。

使用頻率：用戶上次啟動App的時間，與再次啟動的時間差。使用頻數分布，可觀察到App對用戶的粘性，以及運營內容的深度。

4、基本技術

數據采集技術——抓包

所謂“抓包”，一般指觀察App上傳到服務器上的數據都有哪些。

通過“抓包”觀察，一方面可判斷自家App是否正確上傳了想要統計的數據，另一方面還可抓取到手機上安裝的其他App的上傳數據，用來分析競品內容更新情況。

一般在Mac系統上，我習慣用Charles工具，Windows系統可以用Wireshark。當然抓到的數據如果想進行詳盡分析，需要一點基本的http協議知識和json格式知識。

數據提取技術——sql語言。sql語言一般用于從數據庫中進行數據的增刪改查，需要企業運維人員或DBA人員開啟權限才可訪問，大公司的產品經理基本沒機會用到，但如果你是小公司的高級產品經理，且和技術商議僅開啟只讀權限，還是可以嘗試使用的。

以我個人經驗，掌握sql只是基本要求，更關鍵的在于了解數據庫表結構和關聯關系，以及你提取數據的思路，sql只是工具而已。sql語言本身也和數據庫軟件相關，推薦學習mysql的sql語法，簡單易試。至于語句，只要掌握group by的維度，where的限制條件，還有join語句的表連接邏輯，基本就能應對80%的數據查詢需求，剩下的就是熟能生巧了。

數據處理技術——Excel、Python、JS。提取出來的數據，要深入分析，肯定得進行二次加工。按使用的難度高低，需要掌握工具如下：

Excel：大名鼎鼎的office工具，有著極其強大的數據處理能力。常用數據分析功能有透視表和命令行。推薦一個我喜歡的處理命令：

VLOOKUP：這是一個查找函數，給定一個查找目標，它就能從指定的查找區域中返回想要查找到的值。它的基本語法為：

VLOOKUP（查找目標，查找范圍，返回值的列數，false）

我們可在一堆數據中，根據指定條件，進行二次篩選，非常方便。當然這個函數的作用還不止如此，有興趣的同學可以深入研究一下。

此外，包括COUNTIF、IF等判斷語句，也是篩選數據非常好用的函數。

Python、JS：Python、JS其實是一種通用腳本語言，不止適用于數據分析，但由于其安裝、使用方便，函數庫豐富，特別適合有開發基礎的同學嘗試。舉個例子，mysql提取出來的數據，DBA通常會以Excel格式提供，簡單的二次處理可用Excel完成，但涉及根據業務不同，要根據Excel做數據的條件判斷計算，以及循環處理，就要借助第三方開發語言了（當然Excel自帶的VBA也很強大）。此外，如果希望以更可視化的方式查看數據，還可通過JS技術，調取第三方開發庫，如百度地圖的API，進行更豐富的呈現。比如之前我在e代駕做的車輛運行軌跡圖：

5、基本分析方法

介紹幾個常用的數據分析思路：

對比：字面上理解，就是非孤立地看數據，而是多個數據提取進行比較。根據對比方法不同，分為“橫向對比”和“縱向對比”。

• 橫向對比：指空間維度的對比。相當于一個指標，在不同條件下的對比，但每個條件都屬于一個層級。舉個例子，App功能的A/B測試數據對比，各個渠道的新增用戶對比，都屬于橫向對比。
• 縱向對比：指時間維度的對比。一般的對比方法有：同比、環比。同比一般指是指本期數據與上年同期數據對比，環比則是本期統計數據與上期比較。觀察時間軸上的數據折線圖來判斷產品運營狀態也是一種縱向對比。

拆分：分析這個詞，從字面意義上理解，就是“拆分”和“解析”，當某個維度對比后發現問題需要找原因時，就需要進一步“拆分”了。舉個例子，如果發現某日的銷售額只有昨日的50%，就需要對銷售額指標拆分為：成交用戶數 x 客單價，而成交用戶數 = 訪客數 x 轉化率。那么我們接下來就可分別針對：訪客數、轉化率、客單價，觀察今日和昨日相比的數據變化，找出原因。

降維：當維度太多時，我們不可能全部分析，這時就要篩選出有代表性的關鍵維度，去除掉那些無關數據，這就是“降維”。比如“成交用戶數 = 訪客數 x 轉化率”，當同時存在這三個指標時，其實我們只要三選二就能得出結論了。

增維：增維和降維是相對的，如果當前觀察的維度無法解釋當前問題，就需要對數據進行運算，多增加一個指標。在可視化分析領域，也可將不同類型的圖表嵌套使用，能達到增加信息展現維度，擴展分析廣度的目的，如下圖所示：（將環形圖和折線圖進行增維嵌套）。

分組：也可叫聚類，合適的分組能更好地理解業務和場景。例如用戶畫像過程，就是一個按不同維度對數據分組的過程。通過用戶畫像，可以很清晰地知道產品的用戶地區、用戶興趣、用戶年齡、用戶性別等屬性占比，產品經理可通過畫像進一步了解用戶需求。

漏斗分析：主要用于分析產品使用的關鍵路徑，通過設定一系列操作步驟，統計每一步中的操作用戶數，并將用戶數以柱狀圖縱向排列，就可形成用戶流失漏斗，我們可分析漏斗每個環節的流失率，并觀察改進環節交互體驗后，流失用戶的變化情況，以此來驗證改動效果。

AARRR模型：該模型一般用于游戲數據分析，是Acquisition、Activation、Retention、Revenue、Refer，這五個單詞的縮寫，分別對應一款移動應用生命周期中的5個重要環節。AARRR本身是一個循環，使用者需觀察每個環節的數據情況，以此來分析產品是否在執行一個正循環過程。這其中的任一環節除了問題，都會導致產品數據的異常。

6、總結

以上內容，從“基本概念、基本術語、基本指標、基本技術、基本分析方法”這幾個方面，講解了產品經理應了解的基本數據知識，其實每個方面都可再深入講解，但由于篇幅有限，只能擇期再開新話題，有興趣的同學可私信或微信溝通~加微信請備注來源哦~

作者：申悅，6年產品汪，現紅演圈公司產品VP，微信號：s2dongman

本文由 @申悅 原創發布于人人都是產品經理，未經作者許可，禁止轉載。